大多數洪水損失都發生在洪水分區之外——它正悄悄拖垮你的損失率
我第一次真正明白洪水核保出了多大的問題，是在一張航拍地圖上端詳一棟房子的時候。
德州哈里斯郡的一棟獨棟住宅。建於 2004 年，平板式地基，室內樓面沒有高出地面。這塊地有 85% 是不透水表面——水泥車道、露臺、一間獨立車庫——最近的雨水排水口在 400 英尺之外，屬於一套三十年前為十年一遇降雨事件設計的市政系統。FEMA 把它劃為 X 區。洪水危害極低。沒有強制投保的要求。
費率引擎給這棟房子報出的洪水保費是每年 $450。而基於物業層級的分析，把它的預期年度損失估算為 $8,400。
這道差距——將近二十比一，而且出現在一處地圖堅稱安全的物業上——正是洪水風險核保的整個問題所在，全都濃縮在這一塊地上。而這並不是一塊罕見的地。全美超過三分之二的洪水損失，也就是北卡羅來納州立大學與 First Street 研究所指的 68.3%，其發生地都不在 FEMA 的高風險區之內。如果你的費率方案仍然以 AE 區對比 X 區為錨點，那你在這條界線的兩側都定錯了價：對區內墊高的房子收費過高，又悄悄地把界線外那些平板地基的房子拱手送出。
洪水分區地圖並不是一套風險模型。它是一條監管界線，卻被業界其他人誤當成了風險模型。
我想帶大家走一遍我們試圖解決這個問題時的發現，包括我們第一版方案在監管機構面前碰壁的那一段——因為正是那次失敗，才決定了我們最終打造出來的東西是如今這副模樣。
為什麼大多數洪水損失都發生在洪水分區之外？
先從地圖為什麼是錯的說起，因為情況比「地圖過時了」還要糟。
FEMA 大約 75% 的洪水地圖已有超過五年歷史，其中還有相當一部分可追溯到 1970 與 80 年代。它們主要是為河流型與沿海型洪水繪製的——河水漫過堤岸、風暴潮從海岸湧來。它們從一開始就不是為了捕捉雨洪型洪水而設計的：也就是降雨的速度超過地面與雨水排水系統的排洩能力。雨洪型洪水是全美增長最快的損失驅動因素，卻在 FEMA 的圖幅上幾乎完全看不見。
哈里斯郡那棟房子淹的是雨洪型洪水。每小時四英寸的降雨落在一塊 85% 不透水的地塊上，產生的逕流是鄰居的兩倍多，全都灌進一套只為一英寸半降雨而建的系統。這些地圖上通通看不到，因為地圖根本沒在問這個問題。
這些後果並非紙上談兵。哈維颶風過後，70% 的洪水理賠都來自 FEMA 高風險區之外——來自那些人人的費率引擎都只當作事後補充報價的 X 區房子。光是哈里斯郡就有 120 萬處物業位於 X 區。那些趕在風暴來襲之前就已把高風險物業標記出來的承保方，那一年承受的巨災損失率明顯較低——依我親眼看過的帳本推算，介於個位數高段到雙位數低段。其餘所有人，則是在收到第一份出險通知時才發現。
而且結構性壓力只增不減。房主險這條業務線目前的2025 年預估綜合成本率為 106.1%——也就是每收進一美元保費，就要賠付超過一美元的損失與費用——而 AM Best 預期，更廣義的財產與意外險綜合成本率到 2026 年將攀升至 96.9 附近。放眼全球，已投保的自然巨災損失，攀升到了2025 年的 $107 billion。洪水正是「實際發生的損失」與「已計入定價的損失」之間差距最大的那個災因：在大約五年間全球 $325 billion 的洪水經濟損失中，只有約 $70 billion 投了保。
你不可能靠一張在社區澆築之前就繪好的地圖，去填平 106% 的綜合成本率缺口。
我一開始弄錯的地方
接下來是我並不引以為傲的一段。
我的團隊一開始深入研究時，答案看起來顯而易見。市場上滿是擁有真正優秀模型的物業情報供應商。ZestyAI 以航拍影像和建築許可為基礎，打造電腦視覺評分——Z-FLOOD、Z-FIRE、Z-WIND——並且正快速簽下承保方：光是 2026 年第一季，他們就新增了德州的 Logic Underwriters、佛州的 Southern Oak、Harford Mutual、Horace Mann 等等。這些評分確實有效。承保方網絡也是實打實的。
所以我們的第一版很簡單：授權引進一個供應商的洪水評分，作為新因子接入費率引擎，然後上線。一個週末就能搞定的整合工作，被包裝成了一項產品。
我們把它拿去做州級費率申報。審查員的回覆傳回來時，在我們那個嶄新亮眼的洪水因子旁只批了一句眉批：「請解釋這個因子。」
我們解釋不了。至少達不到他們的標準。供應商的模型卡——那份一頁式、寫著「模型大致會考量這些」的文件——能滿足供應商的行銷團隊。但它滿足不了科羅拉多州或紐約州的審查員，他們要的是精算備忘錄、差別影響研究，以及在 AI 衍生的費率因子生效之前的一整條可解釋性軌跡。NAIC 的《AI 模型公告》已在 24 個以上的州獲得採納，而紐約州 DFS 第 2024-7 號通函更是明文要求進行差別影響測試。物業狀況與收入相關；一個把「延遲維護」讀作風險的電腦視覺評分，可能會悄悄編碼進監管機構稱之為「藍線劃定」的東西。讓供應商評分容易被購買的那種不透明，恰恰也讓它難以被申報。
我們並沒有打造出一項核保能力。我們只是買了一個自己無法辯護的數字。
那次申報被打回，是發生在我們身上最有用的一件事，因為它重新框定了整個問題。2026 年洪水風險核保的難點，並不在於拿到一個評分。市面上有大把優秀的評分可買。真正的難點，是把一個評分變成監管機構會批准的費率因子——而這是一項沒有任何供應商會替你做的工程與文件工作，因為他們賣的是評分，不是你的費率方案。
每一家供應商都只解決一小片。沒有人去解決那道接縫。
一旦你這樣看，整片格局就會重新排列。每一家供應商都只掌握畫面中的一小片，把接縫全留給你。
ZestyAI 給你的是鋭利的物業層級電腦視覺，但它的評分基本上是靜態的——它不會為那塊哈里斯郡地塊底下的雨水排水容量建模，也不會在真實事件正在發生時觸發。ICEYE 運行著全球最大的合成孔徑雷達衛星星座——30 多顆能穿透雲層看見洪水範圍、並在事件期間每六小時更新一次熱圖的衛星，這正是慕尼黑再保險（Munich Re）與 AXA 在 2026 年把它接入自家平台的原因。First Street 的 Flood Factor 為全美每一處物業評出 1 到 10 分，而且至關重要的是，它確實納入了雨洪型危害——但它只是一個危害圖層，並非結構脆弱性模型，也不被接受為監管認可的費率因子。如今隸屬於瑞士再保險（Swiss Re）的 Fathom，構建的是五萬年概率性事件集，用於前瞻性氣候情境極為出色，但若你的再保不是找瑞士再保險，就會很尷尬。Verisk 的 Flood Score 3.0 擁有最深厚的保險監理機關（DOI）熟悉度，以及最慢的創新週期。
完整的名單我就不一一唱名了。重點在於這個模式：物業情報層、衛星層、危害層，以及你自己的理賠歷史，各自待在不同的孤島裡，而沒有任何供應商會把它們縫合成單一、站得住腳的因子——因為這麼做，就意味著要在你的申報文件裡把競爭對手的模型記錄下來。
錢就藏在那道接縫裡。承保方要的不是六塊儀表板；它要的是一個把 ZestyAI 的結構判讀、ICEYE 的事件真相、First Street 或 Fathom 的雨洪型危害，以及承保方自己的損失經驗融為一體的費率因子——外加一份能向審查員解釋清楚這一切的精算備忘錄。這種融合正是我們決定去打造的東西，如今也位於我們洪水風險情報層的核心：它不是又一個評分，而是把各個點狀方案轉化為一套獲批費率方案的連結組織與文書工作。
衛星能告訴你哪裡將會淹水嗎？
我弄錯的第二件事，是以為衛星資料是唾手可得的勝利。
SAR 確實像魔法——一種能穿透雲層與黑暗的雷達，逐棟建築告訴你水淹到了多深。那些演示極具誘惑力。於是我們拉來 ICEYE 的原始資料流，開始把它接進一條理賠分流管線，指望著把洪水範圍疊加在一本五萬份保單的業務上，並自動調度理賠員。
然後現實來了。SAR 是只能觀測的——它告訴你什麼已經淹了，而不是什麼將會淹——而且在密集的城市地形中，它會帶有大約±15cm 的深度不確定性，這來自雷達在牆面與路面上的二次反射。原始 SAR 並不是一套理賠工作流。它是一段充滿雜訊的訊號，需要一條客製化的管線：清理二次反射的假影、把深度與每份保單的一樓樓面高程融合、決定五萬份保單中該讓理賠員先打電話給哪 30 份、標記出那些報損與觀測到的水情對不上的保單。那條管線才是產品。衛星只是一項輸入。
而一樓樓面高程——也就是居住空間高出地面多少——事實證明正是整個結構問題的關鍵樞紐，而且它可以從影像中估算到大約0.218 公尺的誤差，這是賓州州立大學（Penn State）研究的成果。那棟哈里斯郡的房子，由電腦視覺推導出的一樓樓面高程為零。前門就在地面高度。沒有任何地圖會把這一點編碼進去；但視覺模型可以。
「你們為什麼不直接買 ZestyAI 就好？」
人們不斷用各種版本問我這個問題，通常是這樣措辭的：評分已經存在，衛星已經在天上飛，怎麼還會有東西需要打造？
因為評分不等於費率方案，費率方案也不等於落地部署。夾在它們之間的，才是真正的工作。
先從監管機構說起。申報一套經 AI 增強的費率演算法，意味著要為一個融合了多家供應商輸入的模型，產出 NAIC 公告與紐約 DFS 所要求的精算備忘錄、差別影響分析，以及可解釋性文件。供應商交給你的是評分；他們不會交給你可直接申報的文件，而歐盟《AI 法案》將於 2026 年 8 月落地的可稽核文件要求，只會讓這道缺口更加尖鋭。
接著是那套「管路」，這部分殘酷地具體。一個洪水評分若是來得太晚，對核保人員而言就毫無價值。我曾看過一條從報價到出單的追蹤紀錄，其中洪水評分的 API 呼叫卡在 480 毫秒——而低於 500 毫秒就是那堵牆。一旦越過它，評分就抓取不到，核保人員只能用舊因子報價，而你那昂貴的情報層就成了沒人使用的一個項目。要把模型輸出送進 Guidewire 或 Duck Creek，還要配上得當的快取、後備處理與那個延遲預算，是一項專門的工作。保險業更廣泛的代理式 AI 轉向讓這份回報顯而易見——Hiscox 把報價到出單從三天縮短到三分鐘，減少了 99.4%——但只有在資料管路撐得住時，你才到得了那裡。
而且，即便是一個快速又站得住腳的評分，也得契合你自己的業務。現成的模型是用所有人的資料訓練出來的。一家承保佛州沿海房主險的中型承保方，和一家承保德州內陸商業險的中型承保方，損失模式截然不同——在商業業務上，一座裝卸月台與地面齊平的 X 區倉庫，就能把一整年拖垮，那是一百件零散的房主理賠永遠做不到的——而一個對兩者都沒調校過的模型，對兩者都會表現平庸。真正跑在前面的承保方，訓練時針對的是他們自己的那本業務。
任何人都能用一紙合約的價錢買到評分。你買不到的，是那個能扛過審查員、能守住 500 毫秒預算、並且契合你實際承保的那本業務的部分。
市場已經在沒有你的情況下重新定價
如果這件事有什麼急迫性，那也是競爭層面的，而非監管層面的。
私人洪水保險市場一直以2020 至 2024 年 20% 的年複合成長率（CAGR）在複合成長，如今有140 家以上的私人保險公司在承保洪水險，並帶來大約$500 million 的私人住宅保費，時間是 2024 年。那樣的成長並非偶然——那是精明的承保方運用物業層級模型來撇脂式挑客。他們找出那些在風險定價 2.0（Risk Rating 2.0）制度下被 NFIP 定價過高、實則真正低風險的房子（該制度下如今有 77% 的保戶要付更多，2026 年 2 月一封國會信函更敦促 FEMA 叫停這項計畫），以盈利的價格承保這些房子，把逆向選擇後剩下的爛攤子留在原地。
這種不對稱，應該讓任何仍然按分區給洪水定價的承保方感到憂心：那些撇脂者拿走的並不是你的壞風險。他們拿走的是你的優質那一批——那些墊高、排水良好、被你粗糙的費率收費過高的房子——留給你的，是一本越來越集中在那些被你定價過低的潮濕 X 區房子上的業務。你不會把它感受成某個糟糕的日子。你感受到的，是一個每逢續保就朝錯誤方向漂移的損失率，同時你還納悶：為什麼偏偏在那些你最想丟掉的保單上，你的續保率最高。
當我用一本五萬份德州東南部房主險的業務來建模時，光是那個被錯誤定價的 X 區模式，就估算出每年 $2.8 至 $4.2 million 的保費滲漏——30 到 40 處物業，每一處都以 $450 的保費對應著六位數的理賠。這就是地圖出錯的代價，年復一年，直到下一場哈維來臨之前。
我現在真正相信的是什麼
我一開始投入時，以為洪水核保是一個資料問題——拿到更好的資料，就能得到更好的定價。走到最後，我確信它其實是一個接縫問題。資料是存在的。衛星在天上飛。電腦視覺讀取一樓樓面高程的誤差在八英寸以內。真正不存在、也買不到現成的，是那個能把這些輸入融合成單一因子、能在 500 毫秒內把它送進費率引擎、並能遞給州級審查員一份足以扛過「請解釋這個因子」那句眉批的備忘錄的東西。
那才是值得打造的一層，也正是我們當初把自己那一套圍繞整合與文件、而不是圍繞又一個評分來打造的原因。
地圖會繼續標著 X 區。那棟平板地基、有 85% 不透水地塊與尺寸不足的雨水排水口的房子，照樣會繼續淹水。唯一的問題是：你的費率引擎會不會在洪水之前就知道其中的差別——還是說，你會像哈維過後所有人那樣，從那些自地圖聲稱安全之處湧來的理賠中，才恍然得知。
